CORE-ReID: تحسين وتنقيح شامل من خلال التجميع التكاملي في التكيّف الحدودي لتحديد الأشخاص عبر إعادة التعرف

تُقدّم هذه الدراسة إطارًا جديدًا يُسمى "التحسين الشامل والتحسين من خلال التكامل المُجمَّع في التكيّف الحدودي لتحديد الأشخاص (CORE-ReID)"، بهدف معالجة مشكلة التكيّف الحدودي غير المُشرَّف (UDA) في مسألة تحديد الأشخاص (ReID). يستخدم الإطار خوارزمية CycleGAN في مرحلة ما قبل التدريب لإنشاء بيانات متنوعة تُقلّل من الفروق في خصائص الصور الناتجة عن مصادر كاميرات مختلفة. وفي مرحلة التحسين الدقيق، يستند الإطار إلى زوج من الشبكات المعلّم/الطالب، ويُدمج الخصائص متعددة الزوايا من خلال تجميع متعدد المستويات لاستخلاص تسميات وهمية متنوعة. كما يُقدّم مكوّن جديد يُسمى "التكامل القابل للتعلم" الذي يركّز على المعلومات المحلية الدقيقة ضمن الخصائص العالمية، بهدف تعزيز شمولية التعلّم وتقليل الغموض المرتبط بوجود تسميات وهمية متعددة. أظهرت النتائج التجريبية على ثلاث مجموعات بيانات شائعة في التكيّف الحدودي غير المُشرَّف لتحديد الأشخاص تفوّقًا كبيرًا على الطرق المتطورة حاليًا. كما ساهمت تحسينات إضافية، مثل "كتلة الانتباه القناتي الفعّالة" و"التوحيد المعياري ثنائي الاتجاه للسمات المتوسطة"، في تقليل تأثير الانحرافات، وتمكّنت من دمج تكيفي بين السمات العالمية والمحليّة باستخدام نموذج مبني على ResNet، مما عزّز من كفاءة الإطار بشكل إضافي. يضمن الإطار المُقترح وضوحًا في السمات المدمجة، ويُقلّل من الغموض، ويحقّق دقة عالية من حيث دقة المتوسط المتوسط (Mean Average Precision)، والتصنيف الأول (Top-1)، والخامس (Top-5)، والعاشر (Top-10)، ما يجعله حلًا متقدّمًا وفعّالًا لمشكلة التكيّف الحدودي غير المُشرَّف في مسألة تحديد الأشخاص.